一 资料链接：
1---mmdetection官方地址：
https://github.com/open-mmlab/mmdetection
2---mmdetection安装与入门教程：
https://blog.csdn.net/hajlyx/article/details/83542167
https://blog.csdn.net/long_xuan123/article/details/101266643
3---voc2007数据集格式介绍：
https://blog.csdn.net/qq_38273984/article/details/90749314
4---数据集格式的转换（voc转coco）：格式转换箱
https://github.com/spytensor/prepare_detection_dataset
5---mmdetection的configs中的各项参数具体解释：
https://blog.csdn.net/weicao1990/article/details/91879513
https://blog.csdn.net/syysyf99/article/details/96574325
二 mmdetection使用记录
在linux系统安装完mmdetection后，记录一下初次学习使用mmdetection的过程：
1) 数据生成与处理；
2）调节mmdetection输入参数；
3）训练；
4）转换权值文件和预测。
1) 数据生成与处理
检测：
1-1）数据的重命名； 最好按照xxx_000001.jpg，有顺序的重命名；需用到zfill函数。
1-2）数据的标注； labelImg标注（PascalVOC mode下，生成的是XML文件）。
1-3）数据的扩增，利用img_aug(github)可以同时扩增数据和XML。
1-4）装成coco格式的数据。 每张图片有对应的XML文件，在写程序生成CSV文件；
格式转换箱（csv2coco.py）由CSV文件生成coco文件；
1-5）将数据集的文件夹通过【ln -s 数据集文件夹地址 目的地文件夹地址】命令进行软链接。
分割：
1-1）数据的重命名； 最好按照xxx_000001.jpg，有顺序的重命名；需用到zfill函数。
1-2）数据的标注； labelme标注（生成的是json文件,jpg文件和json文件放在同一个文件夹中便于后续读取）。
1-3）数据的扩增，利用img_aug(github,里面有点扩增)可以同时扩增数据和json。 将json文件里的mask对应的边缘坐标读取出来，经img_aug扩增后，再写入新生成的json.
1-4）装成coco格式的数据。 每张图片有对应的json文件，格式转换箱（labelme2coco.py）；
2）调节mmdetection输入参数；
在configs/目录下的各个py文件调节参数： configs/faster_rcnn_r50_fpn_1x.py
若用FP16，configs/fp16/faster_rcnn_r50_fpn_fp16_1x.py
其中，变成FP16精度的语句主要为在开头的两句：
# fp16 settings
fp16 = dict(loss_scale=512.)
3）训练； $ python tools/train.py configs/faster_rcnn_r50_fpn_1x.py
其中，若出现：某某py文件中含有不可识别的参数，在第几几行，例如，第111行，含有不可识别的参数meta,=meta。解决办法：删掉该变量。
4）转换权值变量和预测；
4-1）转换权值变量； python tools/publish_model.py ${INPUT_FILENAME} ${OUTPUT_FILENAME} 去除掉一些保存的训练的状态。
4-2）预测； demo.py
其中，
-1) demo.py文件中，目前没有发现可批量预测的值，需要循环输入，单张预测。 模型输出result变量为一个list[numpyarray[50,5],numpyarray[50,5],...],list的长度为目标类别的数量，其中【50，5】，为50个长度为5的矩阵，【xmin,ymin,xmax,ymax,score】.
-2) 若用FP16的预测，需加入： from mmdet.core import wrap_fp16_model wrap_fp16_model(model) 其中，可以从tools/test.py 中 找到。